01Úvod
Umelá inteligencia (AI), najmä strojové učenie (ML), poskytuje významné inteligentné možnosti pre laserovú mikro-nano výrobu, pričom demonštruje vynikajúci výkon v oblastiach, ako je modelovanie výrobného procesu, optimalizácia parametrov procesu a{1}}detekcia anomálií v reálnom čase. Tento transformačný potenciál poháňa vývoj ďalšej generácie laserových mikro-nano výrobných technológií. Hlavné výzvy, ktorým čelí tradičná laserová výroba, vyplývajú zo zložitosti interakcií laser-materiál, ktoré vedú k nekontrolovateľným výsledkom spracovania a hromadeniu mikro-nano defektov počas viac-krokových procesov, čo v konečnom dôsledku vedie ku katastrofálnym zlyhaniam procesov. Spojenie AI s laserovými výrobnými technológiami prostredníctvom integrácie dátového-modelovania a fyzikálneho{9}}modelovania, ako aj inteligentného monitorovania in situ a adaptívnych riadiacich technológií dokáže efektívne riešiť tieto výzvy. Aké revolučné zmeny nastanú, keď sa AI „stretne“ s laserovou výrobou?
02Machine Learning-Asistované inteligentné
Laserové spracovaniePri konvenčnom laserovom spracovaní zahŕňajú fyzikálne procesy interakcie laserových-materiálov zložité nelineárne termodynamické efekty, správanie dynamiky tekutín a fázové prechody, vďaka čomu sú základné mechanizmy veľmi komplikované a ovplyvnené mnohými procesnými parametrami, ako je výkon lasera a rýchlosť skenovania. Hoci fyzikálne-analytické modely alebo numerické simulácie majú jasný význam, čelia značným problémom pri presnej charakterizácii prechodných,-viacrozmerných a{4}}fyzikálnych javov počas praktického spracovania. Hlavná výhoda modelovania pomocou strojového učenia-spočíva v jeho schopnosti učiť sa zložité nelineárne vzťahy z údajov, efektívne zachytávať mapovacie korelácie medzi procesnými parametrami, stavmi procesov a konečnými indikátormi kvality, čím sa „obchádza“ komplexná analýza fyzikálneho modelu s cieľom dosiahnuť predikciu, optimalizáciu a kontrolu výsledkov spracovania. Modelovanie-laserového spracovania pomocou strojového učenia sa delí hlavne na dva typy: modelovanie-podložené údajmi a modelovanie{10}}podložené fyzikou. V porovnaní s modelovaním založeným na údajoch,{12}}ktoré skúma „modely čiernej skrinky“ medzi vstupmi a výstupmi prostredníctvom experimentálnych údajov, modelovanie založené na fyzike{13}zahŕňa fyzikálne zákony ako mäkké obmedzenia (pojmy stratovej funkcie) alebo tvrdé obmedzenia (architektúra siete). Fyzikálne{15}}modelovanie nielen využíva pozorovacie údaje, ale plne integruje aj predchádzajúce poznatky popisujúce základné fyzikálne procesy. Údajové{17}}modelovanie: mozog{18}}počítačové rozhrania (BCI) vytvárajú komunikačné cesty medzi ľudským mozgom a externými zariadeniami obchádzaním biologických neurotransmisných ciest prostredníctvom systémov získavania a dekódovania nervových signálov. V súčasnosti relatívne pokročilá technika neurálnej intervencie využíva minimálne invazívne elektródové systémy rozmiestnené v mozgovej vaskulatúre. Nitinolové stenty slúžia ako intravaskulárne nosiče elektród na zber elektroencefalografických signálov alebo na dodávanie elektrickej stimulácie. Tradičné metódy montáže používajú najmä ultrafialové{22}}vytvrditeľné lepidlá na pripojenie platinových elektród k povrchu stentu v kombinácii s mikro{23}}zváracími spojmi. Mechanizmus "studeného spracovania" ultrarýchlych laserov zachováva integritu neurovaskulárneho rozhrania bez toho, aby spôsoboval tepelné poškodenie. Pomocou XGBoost (eXtreme Gradient Boosting) a SVM (Support Vector Machine) je možné predpovedať šírku rezu a frekvenciu opakovania. Experimentálne overenie ukázalo, že energia jedného impulzu sa znížila z neoptimalizovaných 20 μJ na 7,64 μJ, frekvencia opakovania sa zvýšila zo 40 kHz na 52,28 kHz a rýchlosť skenovania sa znížila z 20 mm/s na 8,33 mm/s. Výsledky spracovania sú znázornené na obrázku 1. Obrázok 1e ukazuje neoptimalizovanú morfológiu mikroštruktúry, zatiaľ čo obrázok 1f zobrazuje optimalizovanú morfológiu spracovania, čo jasne naznačuje, že optimalizovaná štruktúra má menšiu zónu ovplyvnenú teplom a vyššiu presnosť spracovania.
Modelovanie fyzikálneho mechanizmu:
V porovnaní s vysokými nákladmi a dlhým cyklom modelovania-poháňaného údajmi, modelovanie fyzikálnych mechanizmov obchádza potrebu vopred{1}}vypočítaných súborov údajov vložením parciálnych diferenciálnych rovníc do stratovej funkcie neurónovej siete. Laser -indukované plazmové mikro-obrábanie (LIPMM) je obmedzené neúplnými fyzikálnymi teoretickými vysvetleniami a značnými časovými nákladmi. Aj keď boli urobené pokusy využiť strojové učenie na laserové spracovanie materiálu, hlavnou prekážkou zostáva nedostatok dostatočných údajov. Vo fyzikálnych{7}}modeloch-riadených rámcoch strojového učenia sa medziľahlé parametre mechanizmov generované fyzikálnymi modelmi, ako napríklad maximálna hustota plazmy a trvanie plazmy, pridávajú ako ďalšie dimenzie k vektorom pôvodnej množiny údajov v kombinácii s genetickými algoritmami na optimalizáciu viacrozmerných parametrov procesu. Zahrnutie informácií o fyzickom mechanizme zväčšuje rozmery údajov, obohacuje množinu trénovacích údajov a znižuje množstvo požadovaných údajov. Tento prístup zlepšuje presnosť modelu s malými veľkosťami vzoriek, čím umožňuje presnú predpoveď hĺbky LIPMM. Zavedenie fyzikálnych informácií vedie optimalizačný proces s rozumnejšími fyzikálnymi dôsledkami, konkrétne s vyššou špičkovou hustotou plazmy, dlhším trvaním plazmy, väčšou energiou jedného impulzu a relatívne menším prekrývaním bodov, čím sa optimalizuje výkon LIPMM.
03 Zhrnutie
Integrácia umelej inteligencie a laserového mikro-nano spracovania prechádza hlbokou revolúciou, pričom jej úloha sa vyvíja od-optimalizácie procesu s jedným bodom až po konštrukciu koncových-koncových{3}}systémov „kognitívnej výroby“. V súčasnosti sa popredné miesto v tejto oblasti sústreďuje na fyzikálne -informované modely, najmä na hĺbkovú aplikáciu fyziky-informovaných neurónových sietí. Táto pokročilá paradigma strojového učenia už nie je iba „imitátorom“{8}}riadeným údajmi, ale „pochopiteľom“ fyzikálnych zákonov. Začlenením základných fyzikálnych rovníc, ako je vedenie tepla a dynamika tekutín, ako obmedzenia do tréningového procesu neurónových sietí, môžu modely stále robiť presné predpovede v súlade s fyzikálnymi princípmi napriek riedkym experimentálnym údajom. To nielenže rieši závislosť tradičných modelov strojového učenia na masívnych označených súboroch údajov, ale poskytuje aj schopnosť zovšeobecňovania „odvodzovania od jedného k mnohým“, vďaka čomu sú ich predpovede fyzicky interpretovateľné. V súčasnosti výskumníci vytvárajú „hybridné“ tréningové prostredia. V tomto prostredí je nastavenie posilňovania založené na vysoko realistických fyzikálnych simuláciách s cieľom naučiť sa základné stratégie spracovania, ktoré sa potom rýchlo dolaďujú{13}}a overujú sa pomocou skutočných údajov počas spracovania.
Strojové učenie transformuje zložité interakcie medzi svetlom a hmotou do programovateľných, optimalizovateľných fyzikálnych zákonov, čo vedie výrobný priemysel k dosiahnutiu zmeny paradigmy od „závislosti-od skúseností“ ku „kognitívnej autonómii“. Táto hlboká integrácia nás vedie za hranice tradičných metód pokus-a{3}}omyl do novej éry presnej výroby poháňanej údajmi aj fyzickými znalosťami.
